Cline CLI v3.0.72 发布：插件沙箱化与模型目录大更新

Cline CLI 发布了 v3.0.72 版本，本次更新在插件运行机制、网络错误重试、Hub 命令扩展以及模型目录刷新等多个方面进行了调整。对于日常使用 Cline 进行 AI 编程的开发者来说，插件运行模式的变更是最需要关注的改动。

插件改为 Worker 模式运行

此前 Cline 的插件直接运行在 hub 进程内部，这种架构下插件一旦出现问题可能影响整个 hub 的稳定性。v3.0.72 将插件迁移到 worker 中独立运行，实现了进程级别的隔离。

更重要的是错误反馈机制的改进：如果当前构建无法运行插件，Cline 会在 cline config tools、cline hub plugins 以及会话启动警告中明确告知用户，而不是像过去那样悄悄地在 hub 内运行。这种显式失败的设计思路值得肯定——它把问题暴露在用户面前，而不是让用户在不知情的情况下使用一个降级方案。

需要留意的是，CLINE_PLUGIN_MODE=in_process 环境变量已不再支持。用户现在只能选择 worker（默认值）或 sandbox 两种模式。如果你在 CI 脚本或本地配置中硬编码了 in_process，升级后需要及时调整。

关于进程隔离与 Worker 模式

在软件架构中，进程隔离是一种常见的稳定性设计手段。当插件运行于主进程（此处即 hub 进程）内部时，插件代码与核心逻辑共享同一内存空间和事件循环，一旦插件崩溃、内存泄漏或阻塞事件循环，整个 hub 都会受到影响。将插件迁移到 worker 中运行，意味着每个插件（或插件组）在独立的子进程或工作线程中执行，主进程通过消息传递与之通信。这种方式带来的收益包括：故障域收缩、崩溃可恢复、资源可限制。代价则是通信开销增加、调试链路变复杂。Sandbox 模式在此之上进一步收紧权限与文件系统访问，适合对安全要求更高的场景。

流式响应中断自动重试

AI 编程工具在实际使用中经常遇到提供商侧的临时故障。当流式响应中途被提供商错误打断时，Cline 现在会自动重试最多 3 次，超过次数后才判定该轮对话失败。

这个改动看似简单，但对实际编码体验的影响不小。过去一次网络抖动就可能导致整个响应丢失，用户需要重新发送请求并等待模型从头生成。自动重试机制能在一定程度上缓解这类问题。

配套的改进是失败请求的日志现在会记录提供商的请求 ID。对于需要提交支持工单的用户来说，这个 ID 能大幅缩短问题定位时间，算是一个实用的运维友好型改动。

流式响应与请求 ID 的意义

流式响应（streaming response）指模型在生成过程中逐步向客户端推送 token，而非等待完整结果再返回。这种方式能显著降低首字延迟，改善交互体验，但代价是连接生命周期更长，更容易受到网络抖动或提供商侧临时错误的影响——一旦连接中途断开，已经生成的部分内容可能无法继续拼接。自动重试机制正是针对这种「部分失败」场景：客户端在检测到中断后重新发起请求，最多重试若干次，避免整个对话轮次作废。提供商请求 ID（request ID）则是服务端为每次调用分配的唯一标识，客服或工程团队可凭此在服务端日志中精确定位问题，是排查线上故障的关键线索。

Hub 命令能力扩展

cline hub ensure 和 cline hub start 命令新增了多个实用参数：

• --json：直接输出 hub URL 和认证 token，适合脚本化调用
• --allow-port-fallback：允许端口回退，减少端口冲突导致启动失败的情况
• --no-connectors：跳过连接器加载
• --login-shell-path：指定登录 shell 路径

cline hub 还支持 --discovery-path 参数，允许使用独立的发现记录。另外，cline hub 系列命令不再计入 CLI 激活统计，这对关注用量数据的团队来说是个需要知晓的变化。

脚本化调用与 CLI 激活统计

--json 这类参数的意义在于让命令输出可被程序解析，而非仅供人眼阅读。CI/CD、自动化脚本或 IDE 插件可以借此直接提取 hub URL 与认证 token，无需再通过正则解析人类可读文本，显著提升集成可靠性。--allow-port-fallback 解决的是端口占用这一常见部署痛点：当默认端口被占用时自动尝试备用端口，避免启动失败中断流程。至于「不再计入 CLI 激活统计」，指的是这类命令的调用不会被记为一次 CLI 激活事件，从而让用量数据更真实地反映开发者实际使用 AI 编程的频次，而非被后台自动化调用污染。

模型目录刷新与默认模型调整

本次更新对模型目录做了较大范围的刷新。新增了 Boundless 和 Standard Compute 两个提供商，SambaNova 现在从目录获取，默认模型为 MiniMax M3。

Cline 推荐列表方面，Gemini 4 Argon 被加入并成为推荐列表中的首个模型，Grok 4.7 被移除。免费列表用 Nemotron 3.5 Super VL 替换了 Step 5 Preview。OpenCode Go 不再列出 MiniMax M2.7。

默认模型发生变化的提供商覆盖范围较广，包括 Cortecs、CrossModel、Eden AI、Google Gemini、GitHub Copilot、Google Vertex AI、LLM Gateway、Ofox、OpenCode Go、Prime Inference（均改为 Gemini 4 Argon）、Fireworks AI、Nebius Token Factory、Requesty（Muse Spark Open）、CoreWeave、DigitalOcean、NanoGPT、Nvidia（Nemotron 3.5 Super VL）、Aixy、Neon（Claude Haiku 5.5）以及 Agnes AI、Ambient、IteraCompute、Poe、Scaleway、SenseNova 等。

对于未手动选择模型的用户，Cline provider 现在默认使用 Gemini 4 Argon。如果你对特定模型有依赖，建议检查一下自己的配置是否受影响——默认模型的变更可能会在无感知的情况下改变输出质量与风格。

关于模型目录与默认模型

模型目录（model catalog）是 AI 编程工具用于枚举可用模型、提供商及其元数据的集中配置。Cline 通过定期刷新目录，把新上线的提供商和模型纳入可选范围，同时剔除已下线或不再维护的条目。默认模型（default model）则是在用户未显式指定时自动选用的模型，其变更往往会「静默」地影响输出质量、风格、响应速度和成本——因为多数用户不会每次手动切换。推荐列表、免费列表与默认模型是三个不同层级：推荐列表影响新用户的初始选择，免费列表决定零成本可用范围，默认模型直接作用于存量用户的日常调用。

升级建议

从 v3.0.71 升级到 v3.0.72 属于常规迭代，但有两类用户需要特别注意：一是依赖 CLINE_PLUGIN_MODE=in_process 的用户，该模式已被移除；二是对默认模型敏感的用户，建议在升级后确认当前使用的模型是否符合预期。整体来看，这次更新的核心方向是提升系统稳定性和可观测性，插件隔离与请求重试两项改动对生产环境使用尤为有利。